$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
El electroencefalograma (EEG) es una herramienta fundamental tanto en la investigación en neurociencia como en la práctica clínica, ya que ofrece información valiosa sobre la actividad eléctrica del cerebro. Los datos de EEG en estado de reposo, en particular, se utilizan ampliamente para investigar diversas afecciones neurológicas y psiquiátricas, como el accidente cerebrovascular, la fibromialgia y el dolor neuropático crónico. A pesar de su amplia aplicación, el análisis de los datos de EEG requiere un preprocesamiento riguroso para eliminar los artefactos y el ruido, garantizando la integridad y fiabilidad de los resultados 1,2,3. A lo largo de los años, el EEG ha sido invaluable para proporcionar mediciones no invasivas y de alta resolución temporal de la actividad cerebral, lo que lo hace indispensable para estudiar los procesos dinámicos del cerebro 4,5. Sin embargo, las señales brutas de EEG a menudo están contaminadas por una variedad de fuentes de ruido que pueden oscurecer las señales neuronales de interés, lo que complica la interpretación delos datos.
Las señales de EEG son altamente susceptibles a la contaminación de fuentes como la actividad muscular, los movimientos oculares y la interferencia eléctrica7. Estos artefactos pueden oscurecer las señales neuronales, lo que hace que el preprocesamiento sea un paso crítico en el análisis de EEG. Este proceso suele implicar varias etapas: conversión de formato de archivo, reducción de muestreo, filtrado, rechazo de artefactos, análisis de componentes independientes (ICA) y exclusión de componentes relacionados con el ruido 8,9. Cada paso contribuye a mejorar la calidad de la señal y a garantizar que los datos reflejen con precisión la actividad neuronal10. La complejidad de estos procesos requiere el uso de algoritmos sofisticados y herramientas de software para garantizar que el preprocesamiento sea eficiente y eficaz11.
Uno de los principales desafíos en el preprocesamiento de datos de EEG es la variabilidad de los datos, que puede diferir significativamente entre sujetos y sesiones de grabación10,12. Esta variabilidad surge debido a las diferencias en las características fisiológicas y anatómicas de los sujetos, así como a las variaciones en las condiciones experimentales y el equipo utilizado. Además, la falta de protocolos estandarizados de preprocesamiento puede llevar a inconsistencias en el análisis e interpretación de los datos13,14. Si bien existen varios pipelines y scripts de preprocesamiento, muchos de ellos están adaptados a conjuntos de datos específicos o carecen de documentación completa, lo que los hace menos accesibles para la comunidad investigadora en general14. Plataformas como GitHub alojan numerosos scripts y plugins de preprocesamiento de EEG, lo que facilita el intercambio y la mejora colaborativa de estas herramientas15. Sin embargo, la naturaleza fragmentada de estos recursos subraya la necesidad de un proceso de preprocesamiento editable sólido, eficiente y estandarizado que pueda aplicarse ampliamente en diferentes conjuntos de datos y contextos de investigación16. Este proceso no solo mejoraría la reproducibilidad de los estudios de EEG, sino que también proporcionaría una base sobre la que la comunidad investigadora puede construir y adaptarse a necesidades específicas17.
Además de EEGLAB, que constituye la base de PIPEMAT-RS debido a su amplia base de usuarios y a su integración con MATLAB, otras cajas de herramientas de procesamiento de EEG también se utilizan ampliamente en este campo. Por ejemplo, MNE-Python es una plataforma de código abierto basada en Python que ofrece funcionalidades avanzadas para la localización de fuentes, análisis de espacio de sensores e integración con flujos de trabajo de aprendizaje automático. FieldTrip, una toolbox basada en MATLAB como EEGLAB, es conocida por su entorno de scripting flexible y su completo soporte para análisis de tiempo-frecuencia y conectividad. Si bien estas plataformas ofrecen alternativas poderosas, por lo general requieren curvas de aprendizaje más pronunciadas y habilidades de programación más avanzadas. PIPEMAT-RS fue diseñado para unir la accesibilidad y la transparencia, especialmente para los investigadores que buscan una solución editable y modular para el preprocesamiento de EEG en estado de reposo mediante EEGLAB. No obstante, la estructura conceptual de PIPEMAT-RS se puede adaptar a otras cajas de herramientas según sea necesario, fomentando la interoperabilidad y la personalización en diferentes entornos de software.
En los últimos años se han desarrollado varias tuberías automatizadas de preprocesamiento de EEG, como RELAX18, Automagic19, APP20 y PREP7. Estas canalizaciones incorporan algoritmos avanzados para la eliminación de artefactos y la limpieza de datos, a menudo empleando estrategias basadas en ICA con transparencia o personalización limitadas para usuarios no expertos. Por ejemplo, RELAX introduce un método de limpieza ICA de varios pasos que mejora el rechazo de artefactos, pero se basa en configuraciones complejas que pueden no ser fácilmente modificables21. Por el contrario, PIPEMAT-RS está diseñado para proporcionar una alternativa flexible, transparente y accesible desde el punto de vista educativo, lo que permite a los investigadores comprender y ajustar manualmente cada paso de preprocesamiento. Esta transparencia permite que PIPEMAT-RS se utilice como herramienta de investigación y enseñanza, manteniendo el rigor y la reproducibilidad. Además, PIPEMAT-RS hace hincapié en la documentación, la ejecución modular y la adaptabilidad entre conjuntos de datos, características que a menudo no se informan o están ausentes en otras canalizaciones.
Desde el punto de vista económico, el desarrollo y la implementación de una canalización de preprocesamiento editable estandarizada para los datos de EEG puede tener un impacto significativo. El mercado mundial de dispositivos de EEG se valoró en aproximadamente USD 1.2 mil millones en 2020 y se espera que crezca a una tasa de crecimiento anual compuesta (CAGR) del 7.5% de 2021 a 202822. Las tuberías de preprocesamiento eficientes, particularmente aquellas que son editables y modulares, pueden reducir el tiempo y el costo asociados con el análisis de datos, una consideración importante en los ensayos clínicos a gran escala y la investigación en salud pública. Al minimizar el error humano y automatizar las tareas repetitivas, estos procesos pueden mejorar la precisión del análisis de datos de EEG y conducir a resultados de investigación más fiables13. Esto, a su vez, puede acelerar el desarrollo de nuevas herramientas diagnósticas e intervenciones terapéuticas, lo que podría reducir los costes sanitarios y mejorar los resultados de los pacientes1.
Este artículo tiene como objetivo presentar y validar un canal integrado de preprocesamiento editable estandarizado para EEG en estado de reposo utilizando MATLAB (PIPEMAT-RS). Diseñada para ser robusta y eficiente, esta canalización editable es versátil y se puede aplicar ampliamente a varios conjuntos de datos y escenarios de investigación. Los siete pasos integrales incluyen la conversión de formato de archivo, la reducción de muestreo, el filtrado, el rechazo de artefactos, el análisis de componentes independientes (ICA) y la exclusión de componentes relacionados con el ruido, todos integrados en un flujo de trabajo cohesivo23,24. El desarrollo de PIPEMAT-RS se guió por la necesidad de abordar los desafíos comunes en el preprocesamiento de EEG y proporcionar una herramienta que los investigadores puedan utilizar para optimizar sus procesos de análisis de datos25. Al integrarse con las prácticas comúnmente adoptadas en el campo y aprovechar las capacidades de MATLAB, PIPEMAT-RS tiene como objetivo ofrecer un marco confiable, editable y fácil de usar para respaldar el preprocesamiento de datos de EEG26.
Para validar la eficacia de PIPEMAT-RS, lo hemos aplicado en varios estudios. En un estudio, se utilizó PIPEMAT-RS para investigar los biomarcadores de EEG en pacientes con accidente cerebrovascular, identificando correlaciones significativas entre la función motora desadaptativa y los perfiles depresivos27. Otro estudio aplicó PIPEMAT-RS para analizar las firmas neuronales de la compensación cerebral en pacientes con accidente cerebrovascular mediante EEG y TMS, revelando información crítica sobre los mecanismos adaptativos del cerebro después de un accidente cerebrovascular28. Una validación adicional proviene de un estudio que exploró las adaptaciones y compensaciones neuronales en pacientes con fibromialgia29. Además, otro estudio demostró cómo las bandas delta y theta en el EEG en estado de reposo sirven como mecanismos compensatorios en el dolor neuropático crónico30.
Estos estudios destacan colectivamente la utilidad de PIPEMAT-RS en el procesamiento y análisis de datos de EEG, estableciendo su eficacia en diversas condiciones y aplicaciones. Al proporcionar un enfoque estandarizado, esta línea no solo mejora la reproducibilidad de los estudios de EEG, sino que también facilita la adopción más amplia de métodos de preprocesamiento consistentes en la comunidad de investigación. A través de este trabajo, pretendemos aportar un recurso valioso al campo, promoviendo un análisis de datos de EEG más preciso y confiable16,17. Al hacerlo, esperamos apoyar el avance de la investigación en neurofisiología y el desarrollo de nuevos enfoques terapéuticos para afecciones neurológicas y psiquiátricas.
Los pasos fundamentales de preprocesamiento utilizados en PIPEMAT-RS se basan en métodos sólidos y ampliamente validados que se han vuelto esenciales en la investigación de EEG para garantizar la calidad y la reproducibilidad de los datos 2,8,14. Aunque estas metodologías están bien establecidas, siguen siendo cruciales debido a su eficacia para abordar los artefactos comunes del EEG y el ruido, lo que sigue respaldando análisis fiables en todos los estudios. Sin embargo, pocos estudios han proporcionado recientemente una tubería estandarizada y completamente documentada diseñada para el EEG en estado de reposo. Al integrar estas técnicas probadas con avances recientes, como ICLabel para la clasificación automatizada de artefactos, PIPEMAT-RS ofrece un enfoque contemporáneo y estructurado que mejora la replicabilidad y la accesibilidad para los investigadores, satisfaciendo una necesidad continua de flujos de trabajo de preprocesamiento rigurosamente documentados en el campo.
Si bien la tubería PIPEMAT-RS sigue los pasos de preprocesamiento establecidos comúnmente empleados en los estudios de EEG, su documentación en forma de artículo científico llena un vacío importante en la literatura. Muchos estudios de EEG se basan en métodos de preprocesamiento similares, pero a menudo carecen de una descripción completa, paso a paso, que permita la reproducibilidad total y la facilidad de adopción por parte de otros investigadores. Al detallar cada componente de PIPEMAT-RS y presentar una secuencia estandarizada para el análisis de EEG en estado de reposo, este trabajo tiene como objetivo mejorar la transparencia, minimizar la variabilidad del usuario y proporcionar un marco replicable aplicable a todos los estudios. En lugar de introducir métodos novedosos, esta contribución pretende servir como una guía instructiva y práctica que ayude a estandarizar las prácticas de preprocesamiento y mejorar la accesibilidad para una amplia gama de investigadores de EEG, en particular aquellos que trabajan con datos en estado de reposo.
El preprocesamiento de los datos de EEG es un paso crítico que influye significativamente en la calidad y fiabilidad de los análisis posteriores. El canal integrado de preprocesamiento para EEG en estado de reposo mediante MATLAB (PIPEMAT-RS) se desarrolló para abordar los desafíos comunes en el preprocesamiento de datos de EEG al proporcionar un enfoque integral y estandarizado aplicable a varios conjuntos de datos. Este proceso estructurado y editable consta de siete pasos clave: i) Conversión de formato de archivo; ii) Montaje de EEG; iii) Reducción de muestreo y filtrado; iv) Rechazo y rereferenciación de artefactos; v) Análisis Independiente de Componentes (ICA); vi) Clasificación ICLabel; vii) Normalización de datos. Cada paso está meticulosamente diseñado para mejorar la calidad de la señal y facilitar la extracción de información significativa de los datos brutos de EEG.
Una característica crítica de PIPEMAT-RS es que cada paso de preprocesamiento concluye con el almacenamiento del conjunto de datos con un nombre de archivo distinto. Esta estructura garantiza que, para cada archivo procesado, se genere una versión derivada correspondiente a cada paso específico. Este enfoque sistemático permite a los usuarios acceder a los datos en cualquier punto dentro de la canalización de preprocesamiento de siete pasos. Los archivos guardados incluyen identificadores que indican claramente la etapa de preprocesamiento, lo que facilita el seguimiento y la gestión de datos en todo el flujo de trabajo.
PIPEMAT-RS comienza con la conversión de formato de archivo, donde los archivos de datos de EEG sin procesar se transforman a un formato compatible con MATLAB. Esta conversión es esencial para el manejo fluido de los datos en el sólido entorno computacional de MATLAB. A continuación, el paso de montaje del EEG asigna ubicaciones espaciales precisas a cada electrodo en el cuero cabelludo en función de sistemas estandarizados de colocación de electrodos. Esta información espacial es crucial para la interpretación precisa de los datos de EEG en los estudios neurofisiológicos.
A continuación, la canalización aplica un submuestreo y un filtrado para reducir la frecuencia de muestreo de los datos y eliminar el ruido, al tiempo que conserva los componentes de frecuencia relevantes para la investigación neurofisiológica. La reducción de resolución disminuye la carga computacional y los requisitos de almacenamiento sin comprometer la calidad de los datos. El filtrado elimina componentes de frecuencia específicos que se sabe que están asociados con artefactos, preservando así las señales neuronales esenciales.
Posteriormente, se realiza el rechazo de artefactos y la rereferenciación. Este paso identifica y elimina segmentos de datos contaminados por fuentes de ruido, como parpadeos, actividad muscular y movimiento de electrodos. Los algoritmos automáticos de rechazo de artefactos se utilizan para minimizar la intervención manual, lo que reduce el potencial de error humano y aumenta la eficiencia del preprocesamiento. Volver a referenciar los datos al promedio de todos los electrodos ayuda a mitigar la influencia de cualquier electrodo individual y proporciona una referencia estable para las señales de EEG.
El paso de análisis de componentes independientes (ICA) refina aún más los datos al separar las señales mixtas en sus fuentes independientes. Esta descomposición facilita la identificación y eliminación de artefactos como parpadeos, artefactos musculares y ruido de línea. ICA es una técnica poderosa que garantiza que los datos restantes reflejen con precisión la actividad neuronal subyacente.
Por último, se aplica la clasificación ICLabel para identificar y eliminar automáticamente los componentes clasificados como artefactos. ICLabel asigna etiquetas probabilísticas a componentes independientes, clasificándolos como actividad cerebral, actividad muscular, parpadeos, latidos del corazón, ruido de línea o ruido de canal. Los componentes con una alta probabilidad de representar la actividad cerebral se conservan, mientras que los identificados como artefactos se eliminan. Este enfoque automatizado reduce significativamente el esfuerzo manual y garantiza una clasificación coherente y objetiva en todos los conjuntos de datos.
Cada uno de estos pasos de preprocesamiento es esencial para mejorar la calidad de los datos de EEG. Al estandarizar el flujo de trabajo de preprocesamiento, PIPEMAT-RS minimiza la variabilidad introducida por los diferentes métodos de preprocesamiento, lo que facilita la comparación de los resultados entre estudios. La implementación de la cartera en MATLAB, una plataforma ampliamente utilizada en la comunidad de neurociencias, garantiza la accesibilidad y la facilidad de integración en los flujos de trabajo de investigación existentes.
El desarrollo de PIPEMAT-RS fue guiado por prácticas comúnmente adoptadas en el análisis de datos de EEG, incorporando métodos y técnicas validados en investigaciones previas. Cada paso fue cuidadosamente diseñado y rigurosamente probado para garantizar su eficacia en la mejora de la calidad de los datos (Figura 1). Este enfoque integral no solo mejora la confiabilidad de los datos de EEG, sino que también respalda la identificación de marcadores neurofisiológicos críticos para comprender diversas afecciones neurológicas y psiquiátricas.